P. 1
Metodologi SAE Dalam FSVA

Metodologi SAE Dalam FSVA

|Views: 184|Likes:
Published by Erie Sadewo

More info:

Published by: Erie Sadewo on May 04, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

12/22/2015

pdf

text

original

Lampiran 1.1. Small Area Estimation (SAE) untuk analisis data dan indikator FSVA tingkat Provinsi 1.

1 Latar Belakang
Dewan Ketahanan Pangan (DKP) dan World Food Programme (WFP) mengembangkan bersama-sama Peta Ketahanan dan Kerentanan Pangan (Food Security and Vulnerability Atlas-FSVA) edisi kedua. FSVA tingkat nasional tersebut telah diluncurkan oleh Presiden Republik Indonesia dan Menteri Pertanian pada tanggal 24 Mei 2010 di dalam forum pertemuan tahunan Dewan Ketahanan Pangan di Jakarta. Berdasarkan INPRES No. 1 tahun 19 Februari 2010, DKP melalui Badan Ketahanan Pangan - Kementerian Pertanian (BKP) selaku sekretariat DKP merencanakan pengembangan FSVA tingkat provinsi di mana tingkat analisisnya sampai dengan kecamatan, yang berkaitan untuk meningkatkan kemampuan dalam targeting dan efektifitas penanganan kerawanan pangan dan gizi. Tim Asistensi FSVA Pusat telah dibentuk oleh BKP pada bulan Februari 2010, dengan WFP menjadi salah satu anggota tim. WFP berkomitmen untuk menyediakan bantuan teknis pada tingkat nasional, provinsi maupun kabupaten yang meliputi proses pengumpulan data, validasi data, konsolidasi, analisis, pembuatan laporan dan pelatihan untuk pelatih (Training of Trainers-ToT). Metode Small Area Estimation (SAE) yang menghasilkan beberapa indikator merupakan salah satu metode analisis yang diperlukan dalam pengembangan FSVA tingkat provinsi. Sehubungan dengan terbatasnya kemampuan teknis metode SAE, maka DKP dan WFP telah bekerjasama dengan ahli-ahli SAE dari Badan Pusat Statistik (BPS) dan Institut Pertanian Bogor (IPB) untuk menyediakan indikator-indikator FSVA tingkat provinsi dengan menggunakan metode SAE.

1.2

Tujuan

SAE merupakan suatu metode yang menggunakan modeling untuk mengestimasi karakteristik suatu data sosial ekonomi yang memiliki tingkat agregasi tinggi (provinsi atau kabupaten) ke tingkat agregasi yang lebih rendah (kabupaten atau desa atau rumahtangga) karena terbatasnya ketersediaan data primer pada tingkat agregasi rendah. Kebutuhan terhadap metode SAE telah meningkat secara signifikan selama kurun waktu 10 tahun terakhir dan metode ini telah digunakan dan di akui secara internasional. Di Indonesia, metode SAE telah digunakan oleh BPS, Bank Dunia dan SMERU untuk menghitung angka kemiskinan pada tahun 2000 serta pengembangan Peta Gizi (Nutrition Map) oleh BPS dan WFP pada tahun 2006. Pada tahun 2010, metode SAE menjadi hal yang sangat penting untuk analisis dan pengembangan FSVA tingkat provinsi dengan level analisis sampai dengan tingkat kecamatan. Hal ini berkaitan dengan hasil review ketersediaan data untuk FSVA di Provinsi NTB, NTT dan Jawa Timur dimana beberapa data dan indikator seperti angka kemiskinan, angka harapan hidup, perempuan buta huruf, akses ke listrik, akses ke air bersih hanya tersedia pada tingkat kabupaten saja bukan pada tingkat kecamatan. Tujuan dari analisis SAE ini adalah menyiapkan data dan indikator untuk pengembangan FSVA tingkat provinsi di 33 provinsi dengan tingkat analisis sampai dengan tingkat kecamatan. Data dan indikator yang akan di analisis adalah sebagai berikut: • • • • • Persentase penduduk hidup di bawah garis kemiskinan; Persentase rumah tangga tanpa akses listrik; Persentase rumah tangga tanpa akses ke air bersih; Perempuan Buta Huruf; Angka harapan hidup pada saat lahir;

• Rata-rata konsumsi kalori per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan; dan • Rata-rata konsumsi protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan.

1.3

Dataset

Model SAE yang digunakan untuk FSVA tingkat provinsi menggunakan 3 sumber data: Survei Sosial Ekonomi (SUSENAS) KOR Juli 2007, Juli 2008 dan Juli 2009: untuk menyediakan data tentang karakteristik individu dan rumah tangga. Beberapa variabel atau karakteristik individu dan rumahtangga tersebut selanjutnya digunakan sebagai variabel penjelas (explanatory variables) atau variabel dependent dalam model. Kombinasi kedua jenis variabel tersebut digunakan dalam merunning model. Jumlah sampel SUSENAS KOR adalah sekitar 270,000 yang ditujukan untuk estimasi kabupaten/kota dan provinsi. Jumlah sampel masing-masing kabupaten/kota berbedabeda. 1

Khusus PODES 2008 ditujukan untuk persiapan Sensus Penduduk 2010. Untuk itu perlu dijalankan proses bootstrap yang dapat secara signifikan memperbaiki tingkat akurasi estimasi. Pada analisis FSVA ini akan digunakan metode Elbers (et.al) karena sudah menyediakan aplikasi yang interaktif dan lebih efisien dalam teknisnya. Misalnya mengenai pengeluaran atau pendapatan. Jumlah sampel masing-masing kabupaten/kota dan provinsi berbeda-beda. Metode ini menggabungkan dua kriteria sumber data yang berbeda.4 Metode Metode indirect adalah metode yang paling sering digunakan dalam SAE karena kelebihannya dalam menggunakan berbagai sumber informasi tidak terbatas pada waktu dan cakupan wilayah.• SUSENAS MODUL KONSUMSI Juli 2008: untuk menyediakan data tentang rata-rata pengeluaran makanan dan rata-rata konsumsi kalori/protein per kapita yang digunakan sebagai valiabel target (target variable).al). Dalam tahap ini sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables. Dalam analisis FSVA ini indikator sebagai dependent variable dan berupa proporsi. Metode ini memanfaatkan kelebihan dari masing-masing jenis data untuk mendapatkan estimasi dari ukuran-ukuran indikator dan ketimpangan pada tingkat yang lebih rendah. Selain itu. Metode SAE yang digunakan untuk FSVA terdiri dari 2 tahap: 1. Program penghitungan dimulai dengan estimasi fungsi indikator. penerapan model agregasi dari suatu tingkat ke tingkat yang lebih rendah cenderung tidak reliable serta tidak representatif. Berdasarkan Elbers (et. Diasumsikan basic left hand side variable dan cluster adalah tingkat agregasi pada tingkat yang sedikit lebih tinggi dan digunakan dalam dataset survei dan dataset populasi (SUSENAS). Data survei pada umumnya memiliki keterbatasan dalam jumlah observasi (sampel). sehingga hanya bisa digunakan untuk estimasi di tingkat tertentu. maka variabel-variabel regresor dalam model harus ada di kedua dataset (survei dan populasi).al) dapat dikembangkan estimasi indikator berupa proporsi/persentase menggunakan model berikut: (1) ln y ch = E[ln y ch / x ch ] + µ dimana c h ch : subscript untuk cluster kecamatan : subscript untuk desa/kelurahan-h pada cluster c ych : besaran indikator y pada desa-h dan cluster c xch : karakteristik rumahtangga pada desa-h dalam cluster c Aproksimasi linear dari model (1) kemudian ditulis seperti berikut: (2) ˆ ln y ch = x ch a + µ ch juga disebut sebagai Beta model 2 . PODES mencakup seluruh desa di seluruh Indonesia. Karena kemampuannya dalam mengestimasi pada tingkat agregasi yang lebih rendah. Estimasi ditujukan sampai tingkat kabupaten/kota dan provinsi. Pada tahap ini dihasilkan suatu dataset model yang akan digunakan selanjutnya. data survei memiliki kelengkapan informasi yang lebih baik. Di sisi lain. Jumlah sampel Susenas Modul adalah sekitar 270.000 rumah tangga untuk seluruh Indonesia. Sesuai ketersediaan data. 1. yaitu: dataset populasi (PODES 2008). Tahap pembentukan modeling dan dekomposisi komponen random. maka untuk analisis FSVA ini digunakan beberapa jenis data. data sensus memiliki cakupan observasi yang menyeluruh (semua populasi) tetapi memuat informasi yang terbatas. data yang diperoleh dari survei dan data yang diperoleh dari sensus (pencacahan lengkap). Beberapa metode indirect yang pernah digunakan adalah metode Fay Herriot dan metode Elbers ( et. • Potensi Desa (PODES) 2008: untuk menyediakan data pada tingkat masyarakat (desa/kelurahan) yang digunakan sebagai informasi mengenai lokasi (locational information). 2. Indikator berupa proporsi dikarenakan data populasi hanya menyediakan pada tingkat agregasi (PODES 2008). Untuk bisa mengaplikasikan modeling dengan menggunakan model regresi. Tahap simulasi. ukuran-ukuran indikator yang dihasilkan akan sangat bermanfaat untuk keperluan targeting dari program-program pemerintah ataupun kebijakan-kebijakan yang berorientasi pada tingkat wilayah kecil. Metode ini mempertimbangkan nilai bias yang signifikan karena adanya sampling error yang biasanya terjadi pada penghitungan indikatorindikator sosial yang didasarkan pada model survei. Meskipun demikian. dataset survei (SUSENAS 2007-2009).

dan 3 . d. Melakukan matching pada level rumah tangga data Susenas KOR 2007-2008 (variabel individu kepala rumah tangga dan variable rumah tangga) dan variabel indikator.Dikarenakan tidak semua karakteristik di survei ada pada data PODES. = η c + ε c. 2 E[µ c ]= σ η + var(ε c.05*max{ε ch2}. sehingga estimasi dari ηc untuk tiap cluster tidak bisa diterapkan dan diperlukan suatu model yang ditetapkan untuk mengestimasi deviasi dari ηc. sehingga diperlukan regresi GLS.Exe/PovmapPacker. sisa residual εch dapat dijelaskan dengan suatu model logistik yang meregresikan transformasi εch dengan karakteristik h: (6)  e 2 ch  T ˆ ln   = Z ch α + rch 2  A − e ch    juga disebut Alpha model. Elbers et. 1.4. Survei hanya merupakan sub sampel dari keseluruhan populasi. (3) µ ch = η c + ε ch Di sini ηc adalah komponen cluster kecamatan dan εch adalah komponen desa/kelurahan.Exe. Membuat variabel agregasi pada level desa data poin b. Mengenerate variabel baru (termasuk dummy) dari variabel SUSENAS KOR. 1.ch =  + Var (r )    1 + B 2   (1 + B) 3    Dalam persamaan model (2) metode OLS digunakan untuk mengestimasi parameter model dengan asumsi klasik bahwa sisaan bersifat homocedasticity. Penyiapan Dataset 1 (data modeling): a. Estimator variansi untuk εch dapat dihitung dengan: (7)  AB(1 − B)   AB  1 ˆ ˆ σ 2 ε . 2 ˆ ) + b c 2 var(τ c 2 )] µ ch Ketika locational effect ηc tidak ada. Seluruh analisis FSVA ini menggunakan berbagai SOFTWARE diantaranya: STATA. Dalam GLS variance-covariance matrix merupakan suatu diagonal block matrix. Dimana A ekuivalen dengan 1. sehingga tidak bisa secara nyata memasukkan locational variable ke dalam model survei. Visual Foxpro. maka untuk mengestimasi karakteristik tersebut pada agregasi yang sama dengan data PODES digunakan pooling sample dari SUSENAS Panel 2007 dan 2008 serta SUSENAS KOR Juli 2009. e. persamaan (3) kemudian menjadi = + ε ch Sesuai dengan Elbers et. Proses simulasi menggunakan paket program yang pernah digunakan untuk poverty mapping yaitu Povmap. karenanya informasi mengenai lokasi (locational information) tidak tersedia untuk semua wilayah dalam data sensus. Melakukan matching dan penggabungan data PODES dengan data poin c. b. Dengan menggunakan arithmetic expectation dari persamaan (3) atas cluster c. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variable baru data poin d. Residual dari persamaan (2) akan mengandung variansi locational variables.al. Selanjutnya mengecek hasil matching. Cluster kecamatan dalam dataset survei tidak semua terwakili dan tidak didesain ke arah tersebut. Persamaan model (7) dapat mengindikasikan pengingkaran asumsi penggunaan OLS dalam model (2). dengan menggunakan identitas transformasi yang sudah clean.al memberi suatu estimasi variansi dari distribusi locational effect: ˆ var(σ η 2 ) = (5) ∑ c [a c 2 var(µ c. ) = σ η 2 + τ c2 Diasumsikan ηc dan εch berdistribusi normal dan independen satu sama lain.1 Dataset dibedakan atas Urban dan Rural. Mengenerate variable baru dari variable PODES pada data poin c. f. c. (4) maka µ 2 c. MS Office.

08.08. dan c. Dengan file konfigurasi ini selanjutnya dapat ditentukan ukuran indikator yang ingin didapatkan. Melakukan regresi ln residual kecamatan terhadap semua variabel independent. 3. Menyeleksi variabel akhir yang masuk dalam model beta.txt adalah text file yang berisi definisi model beta dan alpha. Menghitung agregat residual level kecamatan. Menyeleksi variable yang memiliki korelasi yang kuat (indikatornya adalah sebaran sisaan yang terpola). Melakukan matching dan penggabungan pada level kecamatan data poin f dan data poin d. Dari data poin e (data PODES) pada penyiapan dataset 1.08.09 Juli Podes 08 Podes 08 Podes 08 Sumber data 11.09 Juli Susenas Kor 07.08. Menyeleksi variabel yang masuk dalam model beta. Ketinggian dari permukaan laut Susenas Kor 07. Mengcollapse atau membuat variable agregat (rata-rata/proporsi) level kecamatan dari semua variabel baru data poin b. Menyiapkan dataset 1 dan dataset 2 dalam format STATA. Melakukan running program POVMAP dengan input PDA file yang dibaca secara otomatis dari hasil POVMAPPACKER. b. dengan menggunakan identitas transformasi yang sudah clean.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. dijalankan Program POVMAPPACKER yang berfungsi menghasilkan file PDA (biasanya dihasilkan oleh SAS). Selanjutnya mengecek hasil matching.pcf adalah file konfigurasi untuk menghasilkan output yang diinginkan.09 Juli Susenas Kor 07. kemudian memasukkan variabel tersebut dalam model alpha (ditambah variable _Yhat_). Selanjutnya mengecek hasil matching. Dengan Dos Prompt. PRESC.08. kab/kota. Simulasi Dataset 2: a. Sumber penerangan 5. Output dari hasil simulasi adalah file *. Jenis dinding terluas 8. Melakukan regresi stepwise (ln dependent variable) terhadap seluruh variable t-tes dari data survei level desa (mean/proporsi). Menghitung residual dari model d.09 Juli Susenas Kor 07. Lapangan pekerjaan Kepala rumah tangga 4. Jenis atap terluas 7. File ikutan yang muncul adalah file PLI. b. c.09 Juli Susenas Kor 07. Konfigurasi *. Persentase rumah tangga tanpa akses listrik 1. dan provinsi. Melakukan regresi stepwise kembali ln y terhadap variabel survei yang terseleksi (point b) dengan variable agregat (poin c). Hasil output juga dilengkapi dengan standard error hasil simulasi. Model *. Fasilitas tempat buang air besar 9. Tingkat pendidikan Kepala rumah tangga 3. Hubungan dengan Kepala rumah tangga 2. Modelling pada Dataset 1: a. dilakukan penggabungan data dengan data agregasi PODES level kecamatan menggunakan ID transformasi. Wilayah desa berada dalam/sekitar/luar hutan 4 . d.08. Jumlah Kepala Keluarga pengguna listrik 10. OUT. Isi file ini adalah nilai estimasi indikator pada level desa/kelurahan. selanjutnya melakukan regresi stepwise mean ln y terhadap seluruh variabel agregat kecamatan. Status penguasaan bangunan tempat tinggal 6. Mengenerate variable baru dari variable PODES pada data poin a (sama persis seperti poin e pada penyiapan dataset 1).g. Menyeleksi variable yang masuk dalam model beta. 2. Menghitung rata-rata ln y pada level kecamatan.09 Juli Susenas Kor 07. Variabel yang Digunakan untuk Menggambarkan Indikator FSVA Nama Variabel dari kuesioner A. b. Penyiapan Dataset 2 (data simulasi): a. dan e. kecamatan.POU yang dapat diakses dengan MS Excel.08.08. File ikutan yang muncul adalah PLO sedangkan –vAB –r -0100 adalah option. 4.

Nama Variabel dari kuesioner 12.09 Juli Podes 08 Podes 08 1.08.08.08. Status/kedudukan dalam pekerjaan utama Susenas Kor 07. Hubungan dengan kepala rumahtangga 4. Wilayah desa berada dlm/sekitar/luar hutan C. Rata-rata konsumsi kalori/kapita/bulan 11.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.08.08.08.09 Juli Susenas Kor 07.08.08. Sumber penerangan 3.09 Juli Susenas Kor 07. Rata-rata konsumsi protein/kapita/bulan 12. Lapangan usaha utama 8.08. Status penguasaan bangunan tempat tinggal 4.08.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. Jumlah Rumah Tangga yang menggunakan telepon B. Jenjang pendidikan yg pernah/sedang diduduki 2.08. Proporsi penduduk/Kepala Keluarga bekerja di pertanian 14.09 Juli Susenas Kor 07.09 Juli Podes 08 Podes 08 Podes 08 Susenas Kor 07.08. Sumber air minum (air bersih = air kemasan/ air isi ulang/leding meteran/leding eceran/ sumur bor. Jumlah pasar permanent/tidak permanen 13. Ketinggian dari permukaan laut 7.09 Juli Susenas Kor 07. sementara tidak bekerja 7. Jumlah keluarga penerima ASKESKIN 1 tahun yang lalu 5 .09 Juli Susenas Kor 07. Fasilitas tempat buang air besar 5.09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Podes 08 Podes 08 9.08.09 Juli Susenas Kor 07. Perempuan Buta Huruf Umur Dapat membaca dan menulis Hubungan dengan Kepala rumah tangga Tingkat pendidikan Kepala rumah tangga Lapangan pekerjaan Kepala rumah tangga Sumber penerangan Status penguasaan bangunan tempat tinggal Jenis atap terluas Jenis dinding terluas Fasilitas tempat buang air besar Jumlah Kepala Keluarga pengguna listrik Ketinggian dari permukaan laut D.09 Juli Susenas Kor 07.08.08. Apakah melakukan kegiatan smg terakhir 6. Rata-rata pengeluaran makanan/kapita/bulan 10. Jenis kelamin 3. Jumlah Kepala Keluarga pengguna listrik 6.09 Juli Susenas Kor 07.08.08.08.08. Jumlah minimarket/restoran/toko.09 Juli Susenas Kor 07.08. Persentase penduduk hidup di bawah garis kemiskinan Susenas Kor 07.08.09 Juli Susenas Kor 07.09 Juli Susenas Kor 07. Jumlah anggota rumahtangga 5. Apakah punya pekerjaan/usaha.09 Juli Susenas Kor 07. Rata-rata pengeluaran non makanan/kpt/bln 13. Persentase rumah tangga tanpa akses ke air bersih 1.09 Juli Susenas Kor 07.pompa/sumur terlindung) 2.dll Sumber data Podes 08 Podes 08 Podes 08 14.08.09 Juli Susenas Kor 07.

Total pengeluaran telur & susu sebulan 6. Dalam hal ini indikator tersebut seperti persentase rumah tangga yang tidak ada akses listrik dan persentase rumah tangga tanpa air bersih. sdh meninggal 5. Nilai indikator sendiri diperoleh dari rata-rata seluruh indikator kemungkinan sampel tersebut.09 Juli Susenas Kor 07. Total pengeluaran minyak & lemak sebulan 8. Umur saat perkawinan pertama 2. Total pengeluaran umbi-umbian sebulan 4. Total pengeluaran makanan & non makan sebulan Sumber data Susenas Kor 07. Sampling Error (Standard Error) dalam SAE Seperti yang dijelaskan sebelumnya.09 Juli Susenas Kor 07. Pada registrasi dan sensus lengkap tidak dijumpai kesalahan yang disebabkan karena penarikan sampel.08. Keseimbangan antara keduanya perlu dipertimbangkan dalam mendesain suatu survei terutama dalam penentuan besarnya sampel sehingga dapat menggambarkan populasi. masih hidup 4. Angka harapan hidup pada saat lahir 1. dan b. Jumlah anak kandung dilahirkan. Pada sensus terjadi adanya kesalahan seperti salah isian dan pengolahan atau karena responden dan petugas yang cukup banyak.09 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli Susenas Modul 08 Juli 1.08.Nama Variabel dari kuesioner E. Jumlah anak kandung dilahirkan. lahir hidup 3. Rata-rata konsumsi kalori/protein per kapita menurut golongan makanan dan golongan pengeluaran setiap bulan 1. Kenaikan besaran sampel akan menurunkan sampling error tetapi sebaliknya akan memperbesar non sampling error. Berapa kali mendapat imunisasi F.5 Hasil dan Realibilitas SAE Sampling Error (Standard Error) dan Non Sampling Error dalam Survei/Sensus Ada beberapa kesalahan (Error) dalam kegiatan survei atau sensus.08. Penduga untuk nilai Standard Error yang merupakan indikator untuk Sampling Error diperoleh dari nilai standard deviasi dari indikator seluruh kemungkinan sampel yang disimulasi. Penolong kelahiran terakhir 7. Proses pengambilan berulang ini dalam teknik penarikan sampel dapat disamakan dengan proses membuat all possible sample (seluruh kemungkinan sampel yang terpilih).08. Penolong kelahiran pertama 6.08. bahwa dalam tahap simulasi sebagian besar proses menjalankan bootstrapping dengan menggunakan model yang telah diestimasi pada tahap pertama dan menjalankan pengambilan berulang komponen random yang berbeda untuk mem-bootstrap dependent variables. Makin besar sampel berarti makin banyak responden dan petugas sehingga kemungkinan makin besar kesalahan pada pengumpulan informasi.08. Total pengeluaran ikan/udang/cumi/kerang/ daging sebulan 5. seperti: a.09 Juli Susenas Kor 07. Jumlah anak kandung dilahirkan. Total pengeluaran sayur/kacang/buah sebulan 7. 6 . Pada survei sampel terjadi kesalahan antara lain karena metode sampling yang tidak tepat (sampling error) dan kesalahan yang disebabkan oleh faktor manusia seperti kesalahan yang disebut pada butir a (non sampling error). sedangkan pada survei sampel terjadi kesalahan yang bersumber dari sampling error (standard error) dan non sampling error.09 Juli Susenas Kor 07. Total pengeluaran padi-padian sebulan 3.09 Juli Susenas Kor 07. Total pengeluaran makanan sebulan 2. Variabel yang dibootstrap adalah variabel dependent atau variabel indikator yang diestimasi.09 Juli Susenas Kor 07. Daftar isian yang kurang baik pada survei atau sensus atau daftar isian dengan variabel yang terlalu rinci akan menyebabkan tingginya kesalahan akibat faktor manusia.08.

Muara Enim 04. Banyuasin 08. Lubuk Linggau 8 18 18 12 18 11 11 10 13 16 2 0 2 4 3 3 0 3 5 3 0 4 9 7 0 5 2 1 1 2 0 0 1 0 0 0 0 0 0 0 0 0 1 0 1 20%-40% > 40% Persentase rumah tangga tanpa akses ke air bersih (Daerah Pedesaan/rural) Kalimantan Selatan 01. Hulu Sungai Tengah 08. Musi Banyuasin 07. Ogan Komering Ulu 02. Hulu Sungai Selatan 07. Kota Baru 03. Ogan Komering Ulu Selatan 09. Hulu Sungai Utara 09. Empat Lawang 71. Tapin 06.1): Tabel 6. Lahat 05. Pagar Alam 74. Tanah Bumbu 11. maka dijelaskan jumlah kecamatan menurut beberapa indikator dan range standard error pada kabupaten di 2 provinsi sebagai contoh (lihat tabel 6. Balangan 71.1. Lahat 2 1 3 1 1 2 0 0 1 3 2 1 7 . Prabumulih 73. Banjar Baru 9 3 12 13 10 9 10 7 10 4 6 0 0 0 17 7 4 2 2 1 3 2 6 2 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 Perempuan Buta Huruf (Daerah Perkotaan/urban) Sumatera Selatan 01. Ogan Komering Ilir 03. Jumlah Kecamatan berdasarkan Range Standard Error 2 Indikator di 2 Provinsi Range Standard Error Indikator Provinsi/Kabupaten/Kota < 20% Persentase rumah tangga tanpa akses listrik (Daerah Pedesaan/rural) Sumatera Selatan 01. Ogan Komering Ilir 03. Ogan Komering Ulu Timur 10. Tabalong 10.Untuk melengkapi laporan metodologi dan sebagai gambaran umum. Tanah Laut 02. Banjar 04. Barito Kuala 05. Muara Enim 04. Ogan Komering Ulu 02. Banjarmasin 72. Musi Rawas 06. Ogan Ilir 11. Palembang 72.

Musi Banyuasin 07. Meskipun tabel diatas kondisi pada 2 provinsi. Balangan 71. dimana sebagian besar berada di bawah 20%. Pagar Alam 74. Ogan Komering Ulu Timur 10. diantaranya adalah nilai standard error untuk beberapa indikator (Persentase rumah tangga tanpa akses listrik dan persentase perempuan buta huruf) secara umum baik di daerah perkotaan (urban) dan pedesaan (rural) relatif cukup baik. jadi jumlah kecamatan urban/rural adalah tidak selalu sama. Tabalong 10. Tapin 06. Banyuasin 08.05. Hulu Sungai Utara 09. Prabumulih 73. Banjarmasin 72. Hulu Sungai Tengah 08. Musi Rawas 06. Lubuk Linggau 0 1 1 0 1 1 0 11 1 1 4 0 0 3 2 1 2 1 5 3 1 3 1 1 0 1 0 0 0 0 0 0 0 Perempuan Buta Huruf (Daerah Perkotaan/urban) Kalimantan Selatan 01. Tanah Bumbu 11. Kota Baru 03. dan beberapa diatas 40%. Hulu Sungai Selatan 07. Relatif sebagian kecil berada diantara 20-40%. Palembang 72. 8 . Barito Kuala 05. Ogan Ilir 11. Banjar Baru 0 1 1 1 1 3 1 1 1 2 0 5 0 3 0 2 2 1 1 1 4 2 1 1 0 5 0 0 1 1 0 2 0 0 1 1 0 0 0 Catatan: Daerah urban/rural berdasarkan desa/kelurahan dalam kecamatan. Ogan Komering Ulu Selatan 09. Banjar 04. Empat Lawang 71. Berdasarkan tabel diatas dapat diambil kesimpulan. Tanah Laut 02. tapi setidaknya sudah dapat memberikan contoh bagaimana nilai akurasi atau standard error pada level kecamatan.

9 .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->